CommencerCommencer gratuitement

Flavor scikit-learn et évaluation

Dans cet exercice, vous allez entraîner un modèle de classification et évaluer ses performances. Le modèle utilise votre jeu de données Insurance Charges afin de déterminer si les frais concernent une femme ou un homme.

Nous allons commencer par consigner notre modèle dans MLflow Tracking en utilisant le flavor scikit-learn, puis terminer en évaluant votre modèle à l’aide d’un jeu de données eval_data.

Votre jeu de données d’évaluation est créé sous le nom eval_data et notre modèle est entraîné avec le nom lr_class. Le eval_data est composé de X_test et y_test, car les données d’entraînement ont été scindées avec la fonction train_test_split() de sklearn.

# Model
lr_class = LogisticRegression()
lr_class.fit(X_train, y_train)

Le module mlflow est importé.

Cet exercice fait partie du cours

Introduction à MLflow

Afficher le cours

Instructions

  • Journalisez le modèle lr_class en utilisant le flavor « intégré » de scikit-learn.
  • Appelez la fonction evaluate() du module mlflow.
  • Évaluez le jeu de données eval_data et ciblez la colonne "sex".

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Eval Data
eval_data = X_test
eval_data["sex"] = y_test
# Log the lr_class model using Scikit-Learn Flavor
___.___.___(____, "model")

# Get run id
run = mlflow.last_active_run()
run_id = run.info.run_id

# Evaluate the logged model with eval_data data
___.___(f"runs:/{run_id}/model", 
        ____=____, 
        ____="____",
        model_type="classifier"
)
Modifier et exécuter le code